为何scipy.cumtrapz与np.trapz计算结果存在差异？

你遇到的差异源于两个函数的计算逻辑和浮点误差累积方式不同，具体解释如下：

计算逻辑差异 #

• numpy.trapz：直接一次性计算整个区间的梯形积分总和，核心计算逻辑为：

  0.5 * np.sum((x[1:] - x[:-1]) * (y[1:] + y[:-1]))
  

  它会对所有区间段的梯形面积直接求和，无需逐步累积。

• scipy.integrate.cumtrapz：采用逐步累积的方式计算积分，从初始值开始，每一步都将当前区间段的梯形面积加到之前的累积结果上，核心逻辑近似为：

  cumulative = [0]
  for i in range(1, len(x)):
      delta_x = x[i] - x[i-1]
      area = 0.5 * delta_x * (y[i] + y[i-1])
      cumulative.append(cumulative[-1] + area)
  

浮点精度误差的影响 #

由于浮点数的有限精度特性，逐步累积的误差会和一次性求和的误差产生细微差别。在你的测试中，两个结果都是接近0的极小值（-5.55e-17和-2.77e-16），说明积分的理论值为0（函数在区间内的正负面积完全抵消），二者的差异只是浮点计算过程中误差累积方式不同导致的正常数值偏差，并非函数功能错误。

验证说明 #

理论上，cumtrapz的最后一个元素应该和trapz的结果完全一致，但浮点运算的精度限制会导致这种微小差异，这类差异在数值计算中普遍存在，不影响结果的有效性。

内容的提问来源于stack exchange，提问作者R Walser